حوضه آبخیز تجن

شناسایی منابع آب زیرزمینی و تلاش برای حفظ منابع آبی، یکی از اهداف بزرگ کشورهایی است که با مشکل کم آبی مواجه هستند. آب های زیرزمینی طی دهه های اخیر به دلیل برداشت بیش از تغذیه کاهش یافته اند. مدیریت منابع آب زیرزمینی با اکتشاف و بهره برداری متناسب با پتانسیل آبخوان، یکی از مهم ترین راهبردها در این زمینه است. در این پژوهش به منظور پهنه بندی پتانسیل آب زیرزمینی دشت ناز ساری، از عوامل مؤثر بر نفوذپذیری خاک و تغذیه سفره های آب زیرزمینی شامل لایه های زمین شناسی، پوشش گیاهی، شیب، جهت شیب، بارش، دما، ارتفاع، فاصله از گسل، تراکم گسل، فاصله از آبراهه و تراکم آبراهه و فاصله از جاده استفاده شد. به این منظور نخست لایه های اطلاعاتی مورد نیاز در محیط نرم افزار ArcMap 10.3 به صورت لایه رستری تهیه شد؛ سپس هریک از عوامل در بردار وزن به دست آمده از روش ANP ضرب و نقشه پتانسیل یابی منابع آب زیرزمینی منطقه از راه حاصل جمع لایه های نهایی عوامل اقلیمی، هیدرولوژی، زمین شناسی، توپولوژی و زیست محیطی تهیه شد. به منظور اعتبارسنجی نقشه نهایی، منحنی ROC به کار رفت. نتایج نشان داد 35/995 کیلومترمربع از مساحت منطقه پتانسیل زیاد و بسیار زیاد، 76/2549 کیلومترمربع پتانسیل کم و بسیار کم و 17/642 کیلومترمربع پتانسیل متوسط درزمینه منابع آب زیرزمینی دارند؛ همچنین نتیجه 87درصدی منحنی ROC بیان کننده دقت زیاد این روش در تهیه نقشه پتانسیل آب زیرزمینی در محدوده مطالعاتی است. براساس روش ANP نیز، عوامل زمین شناسی و ارتفاع منطقه بیشترین تأثیر را بر پتانسیل یابی منابع آب زیرزمینی در منطقه بررسی شده دارند. بر این مبنا بررسی پتانسیل سفره های آب زیرزمینی و بهره برداری بهینه و متناسب با توان آبخوان برای مدیریت پایدار این منابع ضروری است

تهیه نقشه حساسیت زمین لغزش با استفاده از یادگیری ماشین ابزاری مفید برای مدیریت زمین در مناطق مستعد به این پدیده است. هدف این مطالعه، تهیه نقشه حساسیت زمین لغزش در حوضه تجن با یادگیری ماشین است. بدین منظور 21 عامل مؤثر در وقوع زمین لغزش در چهار طبقه عوامل زمین شناسی، اقلیمی و محیطی، توپوگرافی و هیدرولوژیکی شناسایی و رستر آنها در نرم افزارهای ENVI 5.6، SAGA GIS و ArcGIS تهیه شد. با بازدیدهای میدانی موقعیت 155 زمین لغزش ثبت و در ArcGIS به لایه نقطه ای تبدیل شدند. کلیه عوامل با فرمت ASCII و لایه نقطه ای (لایه آموزشی) وارد نرم افزار R شدند. برای آموزش مدل های ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF)، 70 درصد از داده ها (109 واقعه) و برای آزمون 30 درصد (46 واقعه) استفاده شد. ارزیابی مدل RF با منحنی ROC نشان داد که نمره های 972/0 و 949/0 در مراحل آموزش و آزمون را کسب کرده است. اطلاعات مدل RF نشان می دهد که مؤثرترین عوامل شامل جهت شیب، فاصله از آبراهه، فاصله از جاده، درجه شیب و شاخص موقعیت توپوگرافی هستند. نتایج مدل SVM نشان داد که پتانسیل طبقه حساسیت زیاد در حوضه بیشتر از RF است و نمرات AUC به ترتیب 906/0 و 831/0 به دست آمد. نتایج مدل SVM نشان داد که پتانسیل طبقه حساسیت زیاد در حوضه نسبت به پیش بینی مدل RF بیشتر شده است. مؤثرترین عوامل در مدل SVM شامل طبقات ارتفاعی، بارندگی، جهت شیب، فاصله از آبراهه و فاصله از جاده می باشند. مدل SVM در مقایسه با مدل RF عملکردی ضعیفی در پیش بینی نقشه حساسیت زمین لغزش دارد. نتایج دسته بندی سطح خطر در مدل RF، بترتیب خیلی زیاد (19/10%)، زیاد (17/4%)، متوسط (76/10%)، کم (62/15%) و خیلی کم (26/59%) از مساحت حوضه است. در مدل SVM نیز بترتیب سهم طبقات خیلی زیاد 51/5%، زیاد 58/15%، متوسط 33/5%، کم 47/4% و خیلی کم 09/69% محاسبه شده است.